論文の概要: Serving Agentic Robot Fleets: Workload Characterization, KV-Cache Thrashing, and Admission Control
- arxiv url: http://arxiv.org/abs/2611.01404v1
- Date: Sun, 01 Nov 2026 01:15:32 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-03 20:16:50.401889
- Title: Serving Agentic Robot Fleets: Workload Characterization, KV-Cache Thrashing, and Admission Control
- Title（参考訳）: Serving Agentic Robot Fleets: Workload Characterization, KV-Cache Thrashing, Admission Control
- Abstract要約: エージェントロボットは視覚言語脳、道具を使用するハーネス、視覚言語行動(VLA)ポリシーを組み合わせる。
GPT-6-Astra, RPent, pi0.5で生成された80個のLIBERO-PROを特徴付ける。
我々の測定では、作業負荷に依存した行動期限と脳のKV滞留率のシフトを明らかにした。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Agentic robots combine a vision-language brain, a tool-using harness, and a vision-language-action (VLA) policy. Serving a fleet of these agents introduces two coupled resource constraints: the brain repeatedly revisits long, growing key-value (KV) cache states, while the VLA executes action chunks under tight control deadlines. We characterize 80 LIBERO-PRO episodes generated by GPT-6-Astra, RPent, and pi0.5 (1,862 brain turns and 1,582 VLA inference chunks), profile both layers on H800 graphics processing units (GPUs), and replay the resulting agent programs on a vLLM serving engine. Brain contexts reach 215k tokens; the median Astra request takes 7.78 s, while the intervening environment-step gap is only 1.0 s. Under a 0.25 s action-chunk deadline, one VLA GPU meets the 1% starvation target for one robot; under a 1.0 s deadline, its measured capacity reaches at least 32. In sustained brain replay, increasing concurrency from 20 to 32 robots reduces throughput from about 2.4 to 0.6 requests/s as repetitive prefill displaces generation. A static active-episode cap restores 2.24-2.25 requests/s and raises completed trace-program throughput from 1.30 to 5.00-5.55 episodes/min. Our measurements expose the workload-dependent shift between action deadlines and brain KV residency, and establish practical principles for capacity planning and admission in sustained agentic robot fleets.
- Abstract（参考訳）: エージェントロボットは視覚言語脳、道具を使用するハーネス、視覚言語行動(VLA)ポリシーを組み合わせる。
脳は長く再検討し、キー値(KV)のキャッシュ状態が増加し、VLAは厳密な制御期限下でアクションチャンクを実行する。
GPT-6-Astra, RPent, pi0.5 (1,862脳ターン, 1,582VLA推論チャンク) で生成された80個のLIBERO-PROエピソードを特徴付ける。
脳コンテキストは215kのトークンに到達し、中央のAstraリクエストは7.78秒、インターバル環境-ステップギャップは1.0秒である。
0.25秒のアクション・チャンク期限下では、1つのVLA GPUが1つのロボットの1%の飢餓目標を満たす。
持続的な脳のリプレイでは、20から32のロボットによる並行性の増大は、繰り返しプリフィルの置換が生成されるため、スループットを2.4から0.6に低下させる。
静的アクティブ・エピソード・キャップは2.24-2.25リクエスト/秒を復元し、完了したトレーススループットを1.30から5.00-5.55エピソード/分に向上させる。
本測定では,動作期限と脳内KV在留期間の作業負荷依存性の変化を明らかにし,持続型エージェントロボット群におけるキャパシティ計画と受け入れのための実践的原則を確立する。
関連論文リスト
- Auriga Technical Report: A Task-Agnostic Agent Harness for Zero-Shot Embodied Manipulation [62.55752327741587]
RoboDojoでは、大きな計画と実行のギャップが、高レベルのタスク決定と物理的実行を分離します。
目標タスクやリセットを伴わないゼロショット操作において,このギャップの68.3%を埋めるタスク非依存のエージェントハーネスであるAurigaを紹介する。
論文 参考訳（メタデータ） (2026-10-31T16:59:05Z) - MOTIO: Agentic Skill Engineering for Reality-Grounded Humanoid Loco-Manipulation [0.0]
MOTIOは、通常のヒューマンアクションビデオ、現実的な3Dアセット、モーションレファレンス、再利用可能なロボットスキルを、実行可能なヒューマノイド・ロコ操作プログラムに変換するエージェント・スキル・エンジニアリング・システムである。
論文 参考訳（メタデータ） (2026-10-24T04:55:00Z) - Robota-Embed: Unified VLA Embeddings for Robot In-Context Learning and Evolution [90.448613284096]
ロボット・エンベッド(Robota-Embed)を導入し、現在のクエリと記録された将来の継続の両方において、3つのモダリティを共同で符号化する最初の視覚言語アクション埋め込みモデルについて紹介する。
我々は,1,695,684個のトレーニングアンカーを複数ソースで構築し,4000のクエリと8000のギャラリーの共有を備えたRobota-Embed-Benchを紹介した。
Robota-Embedは47.33%のクリップレベルと81.77%のエピソードレベルのR@1を達成した。
論文 参考訳（メタデータ） (2026-10-14T03:15:23Z) - NavGPT-3: Harnessing Context in a Hierarchical Navigation Runtime [66.14176202476176]
言語モデルとOSライクなランタイムを接続するハーネスであるNavGPT-3を紹介する。
アクションポリシー NavGPT VLAは、19.28Mの例に基づいて訓練され、シーンの変化に比例して、アロケーションを使用して視覚トークンを割り当てます。
完全なハーネスで、NavGPT-3はR2R-CEに芸術の状態を設定し、自律的なエージェントを人間レベルに持ち込む。
論文 参考訳（メタデータ） (2026-10-07T18:45:56Z) - Robo-Harness K1: Harnessing Robot-Use Agents via Perception Augmentation [61.15247763568461]
本稿では,ロボット利用エージェントフレームワークであるRobo-Harness K1を紹介する。
一致した LIBERO-PRO タスクでは、Gemini 3.7 Flash with K1 が 77.8% に達し、GPT-6 Astra の 61.1% を RGB のみのハーネスで上回った。
RoboTwin では Easy で 32.0%、Hard で 28.0% を達成し、視覚的および環境的な摂動に対するレジリエンスを示している。
論文 参考訳（メタデータ） (2026-09-24T11:16:18Z) - LM-X: Explainable Action Modeling with Progress, Event, and Uncertainty Prediction for Generalist Robot Manipulation [28.431160101245837]
一般視覚-言語行動(VLA)政策は、主に短期水平行動予測を通じて長期水平行動を学ぶ。
我々は,解剖学的対応を主張することなく,タスク,イベント,運動の規模にわたって予測を整理するLM-Xを紹介する。
論文 参考訳（メタデータ） (2026-08-26T13:05:29Z) - G0.5: One Autoregressive Stream for Robot Reasoning and Action [43.43377463558725]
本稿では,1つの変圧器デコーダが1つの目的の下で推論とアクショントークンを出力する,事前訓練された自己回帰VLAであるG0.5を紹介する。
推論とアクションは1組の重みを共有しているため、事前訓練されたVLMの能力は物理的な振る舞いへと引き継がれる。
G0.5は7つの独立した体制で最先端のモデルを上回っている。
論文 参考訳（メタデータ） (2026-08-12T07:26:47Z) - Uni-LaViRA: Language-Vision-Robot Actions Translation for Unified Embodied Navigation [60.07205156194741]
身体的なナビゲーションでは、エージェントが言語や視覚的な観察を、実際に見たことのない環境を通して実際のロボットを駆動する空間的な行動の流れにマッピングする必要がある。
統合エージェントアーキテクチャであるUni-LaViRAを4つのタスクファミリと4つの異種実ロボットに拡張する。
論文 参考訳（メタデータ） (2026-05-26T18:52:04Z) - cuRoboV2: Dynamics-Aware Motion Generation with Depth-Fused Distance Fields for High-DoF Robots [12.825461775215366]
cuRoboV2は、シングルアームマニピュレータからフルヒューマノイドにスケールするモーション生成スタックである。
1)スムーズさとトルク制限を強制するB-スプライン軌道最適化,(2)フルワークスペースをカバーする高密度符号付き距離場を生成するGPUネイティブTS/ESDF認識パイプライン,(3)高DoFヒューマノイドにも拡張しながら最大61倍の速度で到達する逆ダイナミクスマップ-リデュース自己ネイティブ。
論文 参考訳（メタデータ） (2026-03-05T18:58:04Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。